利用能量色散X射线荧光光谱分析（EDXRF）技术与遗传算法优化的反向传播（GA-BP）神经网络对中低合金钢中Cr、Mn和Ni元素进行含量分析。通过能量色散X射线荧光光谱仪对六类中低合金钢标准样品做激发处理，获得X射线荧光光谱，使用两点法扣除背景，求得各元素对应K_α特征峰强度。利用所得108组谱线数据及其对应含量建立GA-BP神经网络，使用训练完成的GA-BP神经网络对另外36组中低合金钢样本含量进行预测，并将所预测结果与基本参数法分析结果和标准样品化学分析结果进行对比，Cr、Mn和Ni元素含量平均误差分别为0.0287%、0.0314%和0.0423%。实验结果表明，遗传算法优化的BP神经网络适用于EDXRF对中低合金钢中Cr、Mn和Ni元素含量的分析。

利用激光诱导击穿光谱(LIBS)技术与基于遗传算法优化的误差反向传播(GA-BP)神经网络对常见的9种塑料进行分类识别。通过激光诱导击穿塑料表面产生等离子光谱,用光谱仪对每种塑料采集100组光谱数据,以美国国家标准与技术研究院(NIST)的原子光谱数据库为参考,对主要的元素特征谱线进行精确标定。选取15条特征谱线进行分析,通过主成分分析(PAC)法对光谱数据进行降维处理,并建立GA-BP神经网络模型。实验结果表明,通过PCA法对数据进行降维后,GA-BP神经网络的识别效率得到很大提高,平均识别精度为99.72%,可对多种塑料进行快速、精准的识别。

为了准确、快速地检测和预测甲烷气体的浓度, 设计了基于红外差分吸收法的甲烷浓度检测系统.为了降低系统部件不稳定带来的影响, 检测系统采用双气室结构, 气室的输入和输出接口处通过渐变折射率透镜连接到传输光纤, 以降低光强的损耗.系统对甲烷检测结果的平均误差为0.007 5.基于粒子群优化的误差反向传播神经网络算法构建了甲烷预测模型, 以浓度在0.2%~2.0%范围内的甲烷气体为研究对象.在样本训练过程中, 预测模型的精度达到10－4, 实际输出值与期望值线性回归的相关系数为0.998 8, 最大相对标准偏差为0.248%.实验结果表明, 在甲烷浓度预测中, 相对于误差反向传播神经网络预测模型, 粒子群优化误差反向传播神经网络的预测性能更优.